Fugu-MT 論文翻訳(概要): Reactor Optimization Benchmark by Reinforcement Learning

論文の概要: Reactor Optimization Benchmark by Reinforcement Learning

arxiv url: http://arxiv.org/abs/2403.14273v1
Date: Thu, 21 Mar 2024 10:26:47 GMT
ステータス: 処理完了
システム内更新日: 2024-03-22 14:48:00.548960
Title: Reactor Optimization Benchmark by Reinforcement Learning
Title（参考訳）: 強化学習による原子炉最適化ベンチマーク
Authors: Deborah Schwarcz, Nadav Schneider, Gal Oren, Uri Steinitz,
Abstract要約: 本稿では,強化学習に特化して設計されたOpenNeoMCフレームワークのベンチマーク問題を紹介する。テストケースは、異なる物理状態を表す、異なる局所的な最適性を備えており、アルゴリズムの学習に挑戦している。厳密な制約で複雑な最適化景観をナビゲートする際の強化学習の有効性を実証する。
参考スコア（独自算出の注目度）: 0.24374097382908472
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Neutronic calculations for reactors are a daunting task when using Monte Carlo (MC) methods. As high-performance computing has advanced, the simulation of a reactor is nowadays more readily done, but design and optimization with multiple parameters is still a computational challenge. MC transport simulations, coupled with machine learning techniques, offer promising avenues for enhancing the efficiency and effectiveness of nuclear reactor optimization. This paper introduces a novel benchmark problem within the OpenNeoMC framework designed specifically for reinforcement learning. The benchmark involves optimizing a unit cell of a research reactor with two varying parameters (fuel density and water spacing) to maximize neutron flux while maintaining reactor criticality. The test case features distinct local optima, representing different physical regimes, thus posing a challenge for learning algorithms. Through extensive simulations utilizing evolutionary and neuroevolutionary algorithms, we demonstrate the effectiveness of reinforcement learning in navigating complex optimization landscapes with strict constraints. Furthermore, we propose acceleration techniques within the OpenNeoMC framework, including model updating and cross-section usage by RAM utilization, to expedite simulation times. Our findings emphasize the importance of machine learning integration in reactor optimization and contribute to advancing methodologies for addressing intricate optimization challenges in nuclear engineering. The sources of this work are available at our GitHub repository: https://github.com/Scientific-Computing-Lab-NRCN/RLOpenNeoMC
Abstract（参考訳）: 反応器の中性子計算はモンテカルロ法(MC)を用いる場合の大変な作業である。高性能コンピューティングが進むにつれて、原子炉のシミュレーションはより容易に行えるようになったが、複数のパラメータによる設計と最適化は依然として計算上の課題である。 MC輸送シミュレーションと機械学習技術が組み合わさって、原子炉最適化の効率性と有効性を高めるための有望な道を提供する。本稿では,強化学習に特化して設計されたOpenNeoMCフレームワークのベンチマーク問題を紹介する。このベンチマークでは、原子炉臨界性を維持しながら中性子フラックスを最大化するために、2つの異なるパラメータ(燃料密度と水間隔)を持つ原子炉の単位セルを最適化する。テストケースは、異なる物理状態を表す、異なる局所的な最適性を備えており、アルゴリズムの学習に挑戦している。進化的および神経進化的アルゴリズムを用いた広範囲なシミュレーションを通じて、複雑な最適化景観を厳密な制約でナビゲートする際の強化学習の有効性を実証する。さらに,モデル更新やRAM利用によるクロスセクション利用など,OpenNeoMCフレームワーク内での高速化手法を提案し,シミュレーション時間を短縮する。本研究は, 原子炉最適化における機械学習統合の重要性を強調し, 原子力工学における複雑な最適化課題に対処する手法の進歩に寄与する。この作業のソースはGitHubリポジトリにある。 https://github.com/Scientific-Computing-Lab-NRCN/RLOpenNeoMC。

関連論文リスト

A Reinforcement Learning Environment for Automatic Code Optimization in the MLIR Compiler [0.10923877073891444]
本稿では,MLIRコンパイラ研究の促進を目的とした,MLIRコンパイラの最初のRL環境について紹介する。また、より単純なアクション部分空間の積として作用空間の新たな定式化を提案し、より効率的かつ効率的な最適化を可能にした。
論文参考訳（メタデータ） (2024-09-17T10:49:45Z)
Center-Sensitive Kernel Optimization for Efficient On-Device Incremental Learning [88.78080749909665]
現在のオンデバイストレーニング手法は、破滅的な忘れを考慮せずに、効率的なトレーニングにのみ焦点をあてている。本稿では,単純だが効果的なエッジフレンドリーなインクリメンタル学習フレームワークを提案する。本手法は,メモリの削減と近似計算により,平均精度38.08%の高速化を実現する。
論文参考訳（メタデータ） (2024-06-13T05:49:29Z)
Machine Learning Insides OptVerse AI Solver: Design Principles and Applications [74.67495900436728]
本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
論文参考訳（メタデータ） (2024-01-11T15:02:15Z)
Gradual Optimization Learning for Conformational Energy Minimization [69.36925478047682]
ニューラルネットワークによるエネルギー最小化のためのGradual Optimization Learning Framework(GOLF)は、必要な追加データを大幅に削減する。 GOLFでトレーニングしたニューラルネットワークは,種々の薬物様分子のベンチマークにおいて,オラクルと同等に動作することを示す。
論文参考訳（メタデータ） (2023-11-05T11:48:08Z)
Machine Learning methods for simulating particle response in the Zero Degree Calorimeter at the ALICE experiment, CERN [8.980453507536017]
現在、CERN GRIDの計算能力の半分以上が高エネルギー物理シミュレーションに使われている。大型ハドロン衝突型加速器(LHC)の最新情報により、より効率的なシミュレーション手法の開発の必要性が高まっている。機械学習を利用した問題に対する代替手法を提案する。
論文参考訳（メタデータ） (2023-06-23T16:45:46Z)
A Hybrid Data-Driven Multi-Stage Deep Learning Framework for Enhanced Nuclear Reactor Power Prediction [0.4166512373146748]
本稿では,リアクトル過渡期の最終定常電力を予測するための,新しい多段階深層学習フレームワークを提案する。我々は、分類段階と回帰段階の両方のフィードフォワードニューラルネットワークを使用し、リアクトルパワーの実環境計測と制御状態を統合したユニークなデータセットをトレーニングする。ノイズを伴うシミュレーションデータの取り込みにより、モデルの一般化能力が大幅に向上し、オーバーフィッティングのリスクが軽減される。
論文参考訳（メタデータ） (2022-11-23T17:32:52Z)
Deep Gaussian Process-based Multi-fidelity Bayesian Optimization for Simulated Chemical Reactors [0.0]
深部ガウス過程(DGP)を多密度コイル管型原子炉シミュレーションのモデル化に応用する。反応器ジオメトリーの探索空間は、異なる忠実度シミュレーションのアマルガムによって探索される。シミュレーションの精度は、3Dプリントされた原子炉構成から得られた実験データに対して決定される。
論文参考訳（メタデータ） (2022-10-31T10:52:16Z)
Online hyperparameter optimization by real-time recurrent learning [57.01871583756586]
ニューラルネットワーク(rnn)におけるハイパーパラメータ最適化とパラメータ学習の類似性を活用した。 RNNのための学習済みのオンライン学習アルゴリズムのファミリーを適応させ、ハイパーパラメータとネットワークパラメータを同時に調整します。この手順は、通常の方法に比べて、ウォールクロック時間のほんの少しで、体系的に一般化性能が向上する。
論文参考訳（メタデータ） (2021-02-15T19:36:18Z)
Application of an automated machine learning-genetic algorithm (AutoML-GA) coupled with computational fluid dynamics simulations for rapid engine design optimization [0.0]
本研究は,内燃機関のサロゲート最適化のための自動アクティブラーニング手法であるAutoML-GAについて述べる。遺伝的アルゴリズムを用いて、機械学習サロゲート表面上の設計最適点を特定する。その結果,AutoML-GAはCFDシミュレーションの少ない精度で最適化できることがわかった。
論文参考訳（メタデータ） (2021-01-07T17:50:52Z)
Global Optimization of Gaussian processes [52.77024349608834]
少数のデータポイントで学習したガウス過程を訓練した空間定式化を提案する。このアプローチはまた、より小さく、計算的にもより安価なサブソルバを低いバウンディングに導く。提案手法の順序の順序による時間収束を,総じて低減する。
論文参考訳（メタデータ） (2020-05-21T20:59:11Z)
Self-Directed Online Machine Learning for Topology Optimization [58.920693413667216]
自己指向型オンライン学習最適化は、ディープニューラルネットワーク(DNN)と有限要素法(FEM)計算を統合している。本アルゴリズムは, コンプライアンスの最小化, 流体構造最適化, 伝熱促進, トラス最適化の4種類の問題によって検証された。その結果, 直接使用法と比較して計算時間を2～5桁削減し, 実験で検証した全ての最先端アルゴリズムより優れていた。
論文参考訳（メタデータ） (2020-02-04T20:00:28Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。